基于Multi-DECT图像的放射组学结合可解释的机器学习方法，用于术前预测结直肠癌的肿瘤浸润程度和预后：一项双中心研究

《Abdominal Radiology》：Multi-DECT image-based radiomics with interpretable machine learning for preoperative prediction of tumor budding grade and prognosis in colorectal cancer: a dual-center study

多参数双能CT放射组学评估结直肠癌肿瘤芽生分级及预后，纳入510例患者，筛选IC、有效原子数等特征，构建融合临床与放射组学变量的XGBoost模型，AUC达0.969（训练集）、0.934（内验证集）、0.897（外验证集），SHAP分析揭示关键预测因子，高TB分级患者复发-free生存率显著降低（P<0.001）。

　　

摘要

目的

本研究评估了多参数双能量计算机断层扫描（multi-DECT）放射组学在预测结直肠癌（CRC）患者肿瘤萌芽（TB）分级和预后方面的能力。

方法

本研究纳入了来自两家机构的510名CRC患者。研究人员筛选了multi-DECT图像的放射组学特征（包括多能量图像、虚拟单能量图像、碘浓度[IC]和有效原子序数图像），并利用九种机器学习（ML）算法构建了放射组学模型。此外，还开发了一个结合临床-放射学变量和放射组学特征的基于ML的融合模型。模型性能通过接收者操作特征曲线下面积（AUC）进行评估，模型的可解释性则通过Shapley加性解释（SHAP）方法进行评估。融合模型的预后意义通过生存分析来确定。

结果

利用CT报告的淋巴结状态和标准化碘浓度（IC）数据开发了一个临床-放射学模型。在所测试的九种ML算法中，极端梯度提升（XGB）算法表现最佳。包含multi-DECT放射组学特征的XGB融合模型在预测肿瘤萌芽分级方面优于临床-放射学模型，在训练队列中的AUC为0.969，在内部验证队列中为0.934，在外部验证队列中为0.897。ShAP分析确定了影响模型预测的变量。模型预测肿瘤萌芽分级较高的患者在训练队列（P < 0.001）和内部验证队列（P = 0.016）中的无复发生存期（RFS）更短。

结论

基于XGB的融合模型结合multi-DECT放射组学数据，可作为术前预测CRC患者肿瘤萌芽分级和无复发生存期的非侵入性工具。